ETH Zurich（苏黎世联邦理工学院）

Reinforcement Learning Elicits Contextual Learning of Unseen Language Translation

强化学习引发对未见语言的上下文翻译学习

Hanxu Hu, Zdeněk Šnajdr, Pinzhen Chen, Jannis Vamvas, Rico Sennrich

机构 * University of Zurich（苏黎世大学） ； ETH Zurich（苏黎世联邦理工学院） ； Queen’s University Belfast（贝尔法斯特女王大学） 纠错

AI总结 提出使用强化学习（RL）方法，以chrF为奖励，使大语言模型从丰富的语言上下文中提取并应用语言学知识，实现对完全未见语言的有效翻译。

Comments 15 pages, 2 figures

LLM Self-Recognition: Steering and Retrieving Activation Signatures

LLM 自我识别：引导与检索激活签名

Thibaud Ardoin, Jonas Schäfer, Gerhard Wunder

机构 * University of California, Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 通过随机稀疏向量引导内部残差流，在LLM生成文本中嵌入可检测指纹，实现高精度归属，同时保持文本质量。

Comments To appear in Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)

Discrete Causal Representations from Heterogeneous Domains: A Bayesian Approach with Social Survey Applications

来自异构域的离散因果表示：一种贝叶斯方法及其在社会调查中的应用

Ankur Garg, Michael Stettler, Aaron Schein, Julius von Kügelgen

机构 * Department of Statistics, University of Chicago（芝加哥大学统计学系） ； University of Tübingen（图宾根大学） ； Department of Statistics & Data Science Institute, University of Chicago（芝加哥大学统计学与数据科学研究所） ； Seminars for Statistics, ETH Zürich（苏黎世联邦理工学院统计系） 纠错

AI总结 提出一种贝叶斯方法，从多环境数据中学习离散因果概念，通过序贯蒙特卡洛采样近似多模态后验，并在社会调查数据中验证了其推断有意义的高层概念和因果关系的有效性。

Anchor PCA

Anchor PCA

Benedikt Seiter, Anya Fries, Julius von Kügelgen, Jonas Peters

机构 * ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 针对多领域数据，提出Anchor PCA方法，通过修改目标矩阵进行主成分分析，在保留共享变异方向的同时权衡整体解释方差，实现鲁棒的降维。

Evaluating Agentic Configuration Repair for Computer Networks

评估计算机网络中的代理配置修复

Rufat Asadli, Benjamin Hoffman, Ioannis Protogeros, Laurent Vanbever

机构 * Department of Information Technology（信息科技系） ； Electrical Engineering, ETH Zurich（电子工程，苏黎世联邦理工学院） 纠错

AI总结 本研究通过结合形式化网络验证和上下文检索工具，评估了开源和闭源大语言模型在代理架构下的配置修复能力，发现代理架构在修复效果和安全性上分别平均提升12%和17%。

A Framework for Measuring Appropriate Reliance on Set-Valued AI Advice

衡量对集合值AI建议适当依赖的框架

Ranjan Mishra, Jakob Schoeffer

机构 * University of California, Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出首个正式框架，用于在序列判断-顾问范式中衡量对集合值AI建议的适当依赖，涵盖分类和回归任务，并定义了新的度量指标以捕捉现有方法忽略的细微差别。

Learning from Demonstrations over Riemannian Manifolds using Neural ODEs: An Extended Abstract

利用神经常微分方程在黎曼流形上从示范中学习：扩展摘要

Diana Cuervo Espinosa, Mahathi Anand, Angela P. Schoellig

机构 * ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 针对机器人状态（如方向）在弯曲空间上演化的问题，提出利用神经常微分方程在黎曼流形上从示范中学习，通过数值估计测地线实现自然运动生成，并降低计算开销。

Comments 2 pages

Trace2Skill: Distill Trajectory-Local Lessons into Transferable Agent Skills

Trace2Skill: 将轨迹局部经验转化为可迁移的代理技能

Jingwei Ni, Yihao Liu, Xinpeng Liu, Yutao Sun, Mengyu Zhou, Pengyu Cheng, Dexin Wang, Erchao Zhao, Xiaoxi Jiang, Guanjun Jiang

机构 * ETH Zürich University of Zurich（苏黎世联邦理工学院） ； Peking University（北京大学） ； Zhejiang University（浙江大学） ； Qwen Large Model Application Team, Alibaba（阿里巴巴文心一言应用团队） 纠错

AI总结 本文提出Trace2Skill框架，通过归纳推理将广泛执行轨迹整合为统一的技能目录，有效提升代理技能的可迁移性和实用性，适用于多种领域。

Comments Work in Progress. May version add more experiments

CaMeLs Can Use Computers Too: System-level Security for Computer Use Agents

CaMeLs Can Use Computers Too: System-level Security for Computer Use Agents

Hanna Foerster, Tom Blanchard, Kristina Nikolić, Ilia Shumailov, Cheng Zhang, Robert Mullins, Nicolas Papernot, Florian Tramèr, Yiren Zhao

机构 * University of Cambridge（剑桥大学） ； University of Toronto & Vector Institute（多伦多大学及向量研究所） ； ETH Zurich（苏黎世联邦理工学院） ； AI Security Company（人工智能安全公司） 纠错

AI总结 本文提出了一种系统级安全方法，用于计算机使用代理（CUAs），通过单次规划和NOVA框架在动态UI状态下提供控制流完整性保障，同时在保持性能的同时提升安全性。

Toward Scalable and Valid Conditional Independence Testing with Spectral Representations

迈向基于谱表示的可扩展且有效的条件独立性检验

Alek Fröhlich, Vladimir R. Kostic, Karim Lounici, Daniel Perazzo, Daniel Tiezzi, Massimiliano Pontil

机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文提出了一种基于谱表示的学习方法，用于解决传统条件独立性检验在适应性和可扩展性方面的不足，通过构造简单的检验统计量和双层对比算法，建立了表示学习误差与检验性能之间的理论联系，并在实际和合成数据上验证了其有效性。

Comments Accepted at ICML 2026. Revised to match the accepted version; updated experiments and exposition